La première vague d'IA en formation passe par la production de contenus. Mais pour que ça reste pilotable, il faut clarifier les couches : assets, outils auteurs historiques, outils IA natifs, LMS/LCMS. Sans cette distinction, impossible de définir une stratégie d'usage cohérente.
La première vague d’IA en formation est passée par la fabrique : produire des contenus, des visuels, des voix, des supports, puis des modules entiers. Les premiers usages documentés de la GenAI en éducation et en L&D portent massivement sur la création de ressources et de matériels pédagogiques, bien avant les architectures agentiques plus avancées.
Pour que cela reste pilotable, je me concentre ici sur quatre couches directement accessibles au concepteur dans la fabrique. Je traiterai la Soute, c’est-à-dire les questions de diffusion, d’animation et de pilotage, dans un autre épisode.
La difficulté, à mes yeux, n’est pas tant de choisir “le meilleur outil” que de décider à quel niveau on fait quoi. Si chaque équipe commence à générer du contenu à tous les étages, dans l’outil auteur, dans le LMS, dans des outils génératifs, dans des agents, l’écosystème devient rapidement ingérable : doublons, versions concurrentes, assets introuvables.
Dans ma pratique, je préfère aller à la source plutôt que d’utiliser systématiquement les IA embarquées partout. Par exemple, je produis mes voix dans un outil dédié plutôt que via l’IA interne d’un outil auteur, parce que j’y gagne en fonctionnalités, en production par lots, en nommage de fichiers, en versionning et en archivage structuré. Cette logique source-centrée permet aussi de réutiliser les assets au-delà d’un seul module.
Au fond, mon workflow a assez peu changé avec l’IA :
L’IA accélère certaines étapes, mais elle n’efface ni le scénario, ni le template, ni les choix d’éditorialisation. Les bénéfices les plus nets apparaissent quand l’IA s’insère dans un processus déjà structuré et dans des couches bien définies et non quand elle remplace indistinctement toute la chaîne.
La distinction entre workflow augmenté et workflow génératif me paraît particulièrement structurante. Dans le premier cas, vous gardez la main sur le scénario et l’IA vous fait gagner du temps ou vous offre de nouvelles possibilités. Dans le second, l’IA génère un premier jet plus complet et votre rôle se déplace vers une fonction de curation, de réécriture et d’ajustement pédagogique.
Dans certains cas, le workflow évolue encore davantage : des agents en cascade peuvent générer une première version de module, majoritairement textuelle, à partir d’une structure type, puis les assets produits par ailleurs viennent enrichir cette base. C’est un chantier plus avancé, encore en cours de stabilisation, qui mériterait un article dédié.
Autrement dit, la fabrique ne se résume pas à générer du contenu. Elle pose une question très concrète : sur quelle couche vous appuyez vous pour faire quoi, où vivent les assets, comment ils circulent, comment ils se mettent à jour, et à quel moment ils entrent vraiment dans le module.
Sans cette clarification des couches, la stratégie d’usage de l’IA en formation devient vite impossible à piloter.
Je conçois des écosystèmes apprenants pour les équipes L&D et les organismes de formation. Fondateur d’ATAWAK et auteur de « aiaiaiaiai ! – Apprendre et partager le savoir dans un monde liquide ». Maître de conférences associé à l’Université Sorbonne Nouvelle – UFR Sciences de l’information et de la communication.
2623-0123-01
